ANALISIS ALGORITMA HYBRID CNN-SVM UNTUK KLASIFIKASI CIRTA JENIS SAMPAH

Restu, Arsenius Angga (2026) ANALISIS ALGORITMA HYBRID CNN-SVM UNTUK KLASIFIKASI CIRTA JENIS SAMPAH. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER-ABSTRAK) COVER.pdf - Published Version Download (1MB)
	Text (BAB I) BAB I.pdf - Published Version Download (277kB)
	Text (BAB II) BAB II.pdf - Published Version Restricted to Registered users only Download (437kB)
	Text (BAB III) BAB III.pdf - Published Version Restricted to Registered users only Download (393kB)
	Text (BAB IV) BAB IV.pdf - Published Version Restricted to Registered users only Download (398kB)
	Text (BAB V) BAB V.pdf - Published Version Download (90kB)
	Text (DAFTAR PUSTAKA) Daftar Pustaka.pdf - Published Version Restricted to Registered users only Download (55kB)
	Archive (SOURCE CODE) Sourcecode - 22.11.5180.zip - Published Version Restricted to Repository staff only Download (185kB)
	Text (PUBLIKASI) Publikasi.pdf - Published Version Restricted to Repository staff only Download (584kB)

Abstract

Sistem manajemen sampah modern membutuhklan klasifikasi material yang cepat dan akurat, namun metode konvesional berbasis inspeksi visual manual menghadapi kendala subjektivitas dan kurangannya skalabilitas. Penerapan Deep Learning, khususnya Counvolutional Neural Network (CNN), telah menawarkan Solusi otomatisasi, tetapi penelitian menunjukan adanya masalah Generalization Gap: model yang dilatih pada dataset citra sampah bersih (pristine) mencapai akurasi tinggi (>90%) di lingkungan yang terkontrol, tetapi anjlok drastis (<50%) Ketika diterapkan pada real-life TPA yang kotor, tumpeng tindih, dan memiliki pencahayaan buruk. Untuk mengatasi kesenjangan akurasi ini, penelitanini mengusulkan implementasi Algoritma Hybrid CNN-SVM, yang menggabungkan kemampuan ekstraksi fitur yang kuat dari arsitektur CNN (SVM). Penelitian ini bertujuan untuk menganalisis model Hybrid CNN-SVM mana (terbatas pada model CNN sebagai feature extractor) yang mampu meningkatkan metrik akurasi, presisi, dan recall dalam klasifikasi kategori jenis sampah (real-live), serta melakukan studi komparatif terhadap model tunggal CNN dan SVM. Hasil dari penelitian ini diharapkan dapat memberikan justifikasi empiris mengenai keunggulan pendekatan hybrid deep learning dalam menciptakan model yang robust terhadap dataset kompleks dan menjadi rekomendasi teknis yang solid untuk system memilihan sampah otomatis di masa depan.

Actions (login required)

View Item